Towards a Coherent Statistical Framework for Dense Deformable Template Estimation
构建稠密可变形模板估计的统一统计框架AI 解读 ↓
← 返回论文列表与筛选
阅读说明
本页整理公开书目信息，不生成学术质量评分。AI 解读根据题名及所注明的摘要或原文片段生成，未完成全文核验，可能有误；具体假设、证明与结论请核对原文。摘要保留来源文本，未经模型改写。
DOI 首次登记不等于接收或发表日期。部分更正、评论等条目没有独立摘要；缺少可靠材料时保留待补状态。
引用量采用 OpenAlex 单条关联记录，不合计多个记录；关联记录可能包含正式发表版本，不等于此版本单独引用。缺失不视为零，引用指标不代表论文质量。
关注作者按书目中的完整姓名匹配，同名和姓名变体需人工辨别。相关论文先按共享细分方向和具体方法排列，再参考通用方法与发表日期。
分类依据与纠错
AI 根据所提供的论文材料归类：摘要明确面向计算机视觉与计算解剖的图像建模，未对应所列经济计量细分方向。
反馈分类问题
正在核对关联版本…
代码、数据与补充材料
正在核对对应版本的资源…
关注这篇论文的作者
构建稠密可变形模板估计的统一统计框架
- 研究问题
- 如何为灰度图像的可变形模板和概率图谱建立明确的统计模型，并估计对象的几何与光度变化。
- 方法与思路
- 作者构建贝叶斯可变形模板模型，分析最大后验估计并设计迭代算法，再扩展为有限成分混合模型。
- 材料陈述的贡献
- 摘要称证明最大后验估计的渐近一致性，提出小样本估计算法，并用手写数字展示建模与分类应用。
- 阅读关注点
- 核对形变模型、先验和一致性条件，以及迭代算法的收敛性质、混合成分处理与分类评价方式。
- 阅读边界
- 仅据所给 Crossref 摘要；一致性条件、算法收敛保证与分类数值结果未说明，不能据此推断刊本变化。
原文摘要
Summary The problem of estimating probabilistic deformable template models in the field of computer vision or of probabilistic atlases in the field of computational anatomy has not yet received a coherent statistical formulation and remains a challenge. We provide a careful definition and analysis of a well-defined statistical model based on dense deformable templates for grey level images of deformable objects. We propose a rigorous Bayesian framework for which we prove asymptotic consistency of the maximum a posteriori estimate and which leads to an effective iterative estimation algorithm of the geometric and photometric parameters in the small sample setting. The model is extended to mixtures of finite numbers of such components leading to a fine description of the photometric and geometric variations of an object class. We illustrate some of the ideas with images of handwritten digits and apply the estimated models to classification through maximum likelihood.